Resumo Técnico: MUSE-Autoskill: Agentes Autoevolutivos via Criação, Memória, Gestão e Avaliação de Habilidades

1. Declaração do Problema

Agentes de Modelos de Linguagem (LLM) estão cada vez mais encarregados de resolver problemas complexos, multietapas do mundo real que envolvem ferramentas externas, código e dados. Embora o raciocínio bruto do modelo seja insuficiente para tais tarefas, as abordagens existentes para equipar agentes com "habilidades" (unidades reutilizáveis de capacidade) sofrem de quatro limitações críticas:

1. Incompatibilidade entre Criação e Uso: As habilidades são frequentemente geradas de forma isolada, sem acesso ao contexto de tempo de execução do agente.
2. Falta de Memória Estruturada: Não há mecanismo para acumular experiência livre ou lições aprendidas sobre habilidades específicas em diferentes tarefas.
3. Estáticas e Não Validadas: As habilidades são tipicamente tratadas como artefatos estáticos, sem avaliação orientada a testes unitários ou loops automáticos de refinamento.
4. Má Manipulação de Contexto: Histórias de conversa planas frequentemente são truncadas ou transbordam durante tarefas de longo horizonte, impedindo a reutilização eficaz de conhecimento passado.

Os métodos atuais frequentemente tratam as habilidades como saídas de geração únicas, em vez de ativos de longa duração e em evolução, limitando sua reutilizabilidade, confiabilidade e capacidade de melhoria ao longo do tempo.

2. Metodologia: O Framework MUSE-Autoskill

Os autores propõem o MUSE-Autoskill (Evolução de Habilidades Utilizando Memória), um framework centrado em habilidades que trata estas como infraestrutura gerenciada, testável e transferível. O framework opera dentro de um ciclo de vida de habilidade unificado, consistindo em cinco estágios: Criação, Memória, Gestão, Avaliação e Refinamento.

Arquitetura Central

O agente opera em um loop ReAct iterativo (Planejamento, Ação, Observação) aprimorado por um subsistema dedicado de habilidades:

• Criação de Habilidades: Em vez de pré-definir todas as capacidades, o agente utiliza uma ferramenta integrada skill_create. Quando as habilidades existentes são insuficientes, o agente especifica a intenção, e o sistema gera um pacote estruturado de habilidade (contendo SKILL.md, scripts/ opcionais, resources/ e tests/).
• Execução de Habilidades: As habilidades são executadas em ambientes isolados (sandboxes). O agente lê a interface SKILL.md para determinar se deve executar código, carregar recursos ou ambos. A execução é mediada por ferramentas de ciclo de vida do sandbox (create_sandbox, sandbox_run, etc.), garantindo que efeitos colaterais sejam contidos.
• Avaliação de Habilidades: Antes de uma nova habilidade ser registrada, ela passa por testes unitários dentro de um sandbox. Se os testes falharem, o agente inspeciona o rastreamento de erro e invoca uma ferramenta update_skill para corrigir o pacote, criando um loop criar → avaliar → registrar que garante que apenas habilidades confiáveis entrem no banco.
• Gestão de Habilidades: O sistema mantém um banco de habilidades indexado por metadados. Suporta fusão de habilidades sobrepostas, poda de habilidades consistentemente falhas ou não utilizadas e refinamento de habilidades com base em feedback de tempo de execução.

Mecanismos de Memória

O MUSE introduz uma arquitetura de memória multinível para suportar acúmulo de longo prazo:

1. Memória em Nível de Habilidade (Novo): Cada habilidade carrega um arquivo .memory.md onde o agente anexa notas, modos de falha e observações de uso específicas daquela habilidade. Isso permite que o agente lembre "lições aprendidas" sobre uma ferramenta específica sem rederivá-las.
2. Memória de Curto Prazo: Mantém o contexto da tarefa atual (etapas de raciocínio, observações). Emprega compressão adaptativa de contexto (Nível-1 para nós excessivamente grandes, Nível-2 para mesclagem de intervalos) para lidar com tarefas de longo horizonte sem exceder orçamentos de tokens, preservando o histórico completo em uma estrutura de DAG para reprodutibilidade.
3. Memória de Longo Prazo: Armazena notas persistentes entre sessões (por exemplo, peculiaridades do ambiente, melhores práticas gerais) que não estão sujeitas a compressão.

Gestão de Contexto

Para evitar a explosão da janela de contexto, o MUSE utiliza uma DAG de nós de conversa. Aplica compressão adaptativa de dois níveis:

• Nível-1: Resume turnos individualmente excessivamente grandes (por exemplo, saídas verbosas de ferramentas) no local.
• Nível-2: Mescla uma faixa contígua de nós intermediários em um único nó de resumo sintético se o Nível-1 for insuficiente.
  Crucialmente, os nós originais permanecem no histórico imutável, permitindo que o agente retome de estados intermediários ou replaje trajetórias sem perder informações.

3. Contribuições Principais

O artigo delineia quatro contribuições primárias:

1. Reenquadramento do Ciclo de Vida de Habilidades: Os autores reenquadram as habilidades de saídas de geração descartáveis para ativos de longa duração gerenciados por ciclo de vida, identificando cinco estágios necessários (criação, memória, gestão, avaliação, refinamento) para sistemas práticos centrados em habilidades.
2. Agente MUSE-Autoskill: Um framework que integra a criação de habilidades com a execução em tempo de execução, avalia habilidades via testes unitários e as refina automaticamente em caso de falha.
3. Inovações de Infraestrutura:
   • Memória em Nível de Habilidade: Um mecanismo novo que acumula experiência por habilidade entre tarefas.
   • Compressão Adaptativa de Contexto: Suporta tarefas de longo horizonte com persistência de estado entre sessões.
   • Transferência entre Agentes: Demonstra que habilidades geradas são ativos de conhecimento externalizados utilizáveis por diferentes arquiteturas de agentes sem modificação.
4. Validação: Avaliação abrangente no SkillsBench (51 tarefas do mundo real) mostrando que habilidades gerenciadas por ciclo de vida melhoram taxas de sucesso, eficiência e transferibilidade.

4. Resultados Experimentais

Os experimentos foram conduzidos no SkillsBench, um benchmark de 51 tarefas em quatro super-domínios (Ciência e Engenharia, Análise de Dados, Processamento de Documentos, Operações e Planejamento), utilizando o GPT-5.5 como base para três agentes: MUSE-Autoskill, Codex e Hermes.

Desempenho com Habilidades Humanas

• O MUSE-Autoskill alcançou a maior precisão com habilidades injetadas por humanos (68,40%), superando o Codex (67,28%) e o Hermes (61,21%).
• Isso representa um aumento de +15,21 pontos percentuais (pp) sobre sua linha de base sem habilidades, consistente entre os agentes.
• O MUSE-Autoskill liderou em 3 de 4 domínios, demonstrando capacidade superior de ler, interpretar e aplicar o conteúdo da habilidade dentro de seu loop de raciocínio.

Geração Automática de Habilidades

• O MUSE-Autoskill gerou com sucesso habilidades para 35 das 51 tarefas (68,6%) com base em suas próprias trajetórias bem-sucedidas.
• Nessas 35 tarefas, a precisão do agente com habilidades auto-geradas atingiu 87,94%, superando o teto de habilidades humanas (68,40%).
• A precisão geral em todas as 51 tarefas com habilidades auto-geradas foi de 60,35%. Os autores observam que o gargalo é a cobertura da Fase 1 (a capacidade do agente de resolver tarefas sem habilidades para gerar uma trajetória) e não a qualidade das habilidades geradas.

Transferência entre Agentes

• Habilidades geradas foram injetadas no Hermes sem modificação.
• A precisão do Hermes melhorou de 47,89% (sem habilidades) para 58,40% com habilidades geradas pelo MUSE, fechando 79% da lacuna para o Hermes com habilidades humanas.
• Isso confirma que o MUSE produz ativos de conhecimento externalizados em vez de comportamentos específicos de agentes vinculados a um único tempo de execução.

Eficiência e Custo

• Optimalidade de Pareto: Nas 35 tarefas com habilidades geradas, as habilidades geradas pelo MUSE ofereceram maior recompensa, menor latência e menos tokens em comparação com as linhas de base sem habilidades e com habilidades humanas.
• Latência: O MUSE-Autoskill reduziu a latência mediana em 273 segundos (de 684s para 411s) ao usar habilidades geradas em comparação com nenhuma habilidade.
• Tokens: Habilidades geradas reduziram o uso mediano de tokens em 85K tokens em comparação com a linha de base sem habilidades.
• Custo-Benefício: Embora gerar uma habilidade custe ~383K tokens, as economias por reutilização (amortizadas em ~3 reutilizações) e a redução imediata de latência tornam a abordagem economicamente viável.

5. Significado e Alegações

O artigo alega que tratar habilidades como ativos de longa duração, conscientes de experiência e testáveis é essencial para sistemas de agentes escaláveis.

• Autoevolução: O MUSE demonstra que agentes podem melhorar continuamente suas capacidades criando, refinando e reutilizando habilidades sem autoria humana em cada etapa.
• Transferibilidade: O framework quebra o silo de comportamento específico de agentes, permitindo que habilidades sejam compartilhadas entre diferentes arquiteturas de agentes (por exemplo, MUSE para Hermes), criando efetivamente uma "unidade comum de capacidade".
• Pronto para Produção: Os autores observam que o design centrado em habilidades já está sendo adotado em sistemas de produção (SkillMarket, ArkClaw, SkillHub) para gerenciar criação, descoberta e governança do ciclo de vida de habilidades.

Os autores permanecem modestos sobre as limitações, reconhecendo que a geração de habilidades atualmente tem sucesso em apenas ~68% das tarefas (limitada pela cobertura da Fase 1), que a transferência entre agentes é atualmente validada principalmente em uma direção (MUSE para Hermes) e que a avaliação está restrita a um subconjunto do benchmark completo SkillsBench. Eles identificam trabalhos futuros na extração de habilidades diagnósticas de trajetórias falhas e na validação do framework em uma gama mais ampla de modelos e benchmarks independentes.